Page 110 - 新能源风力发电技术及其发展研究

第四章 风力发电设备故障检测与诊断技术

二、模型选择与训练

（一）线性回归与逻辑回归
1. 线性回归

工作原理：线性回归是一种统计方法，用于建立输入特征（自变量）与输出
结果（因变量）之间的线性关系。通过最小化残差平方和来找到最佳拟合直线或
平面。它适用于连续型输出变量的预测任务，例如预测风机在未来一段时间内的

功率输出值。
优点：简单易懂，计算效率高；适合处理小规模数据集。
局限性：只能捕捉线性关系，难以应对复杂的非线性模式；对异常值敏感。
应用场景：在风力发电场景下，可以使用线性回归模型根据历史风速、温度
等环境条件预测风机的理论功率输出。这有助于评估设备的实际性能是否符合预

期，及时发现异常情况。
2. 逻辑回归
工作原理：逻辑回归虽然名字中含有“回归”，但实际上是一种分类算法，

特别适合处理二元分类问题，如判断某台设备是否会在未来某个时刻发生故障。
它通过 Sigmoid 函数将线性组合映射到 0 到 1 之间，表示事件发生的概率。
优点：易于解释，能够提供概率估计；适用于二分类问题。
局限性：假设输入特征与输出之间的关系为线性，可能无法很好地捕捉复杂
的关系；同样对异常值敏感。

应用场景：在风力发电设备故障预测中，逻辑回归可用于预测特定时间段内
某一部件出现故障的概率，从而提前做好预防措施。例如，基于传感器采集的振
动、温度等数据，预测齿轮箱在未来一周内发生故障的可能性。

（二）决策树与随机森林
1. 决策树
工作原理：决策树是一种基于规则的分类和回归方法，通过递归地划分特征
空间形成一棵或多棵决策树，每棵树代表了一条从根节点到叶节点的路径。其核
心思想是从所有可能的分裂点中选择最优者，使得子节点的纯度最大化。

优点：直观易理解，不需要预处理数据；可以处理多类别问题。
局限性：容易过拟合训练数据；单棵树的预测稳定性较差。

97